精华内容
下载资源
问答
  • 为了解决机械臂开环控制精度低的问题,设计了一套基于STM32微控制器的机械臂反馈控制系统。通过QT图形界面将控制数据输入上位机,控制数据经串口传输到微控制器后驱动机械臂运动;由加速度传感器和磁通传感器组成的...
  • 控制策略, 并给出了双线性输出反馈控制系统指数渐近稳定的充分条件. 该策略由常规PID 控制器和线性补偿控制 器两部分组成, 在线获取模型偏差信息并进行补偿控制, 控制器结构简单, 具有较好的工程意义. 仿真结果...
  • 在前馈控制器设计思想的启发下,提出了一种基于神经模糊系统的自适应前馈―反馈控制系统。该控制系统首先把非线性过程近似为一个线性的ARX模型和一个基于神经模糊系统的线性化误差模型(FNNM)组成的合成模型,把...
  • 为了研究轴向柱塞泵配流盘/缸体摩擦副的润滑机理,研制了微米级电液位置反馈控制系统。基于该控制系统的组成和工作原理,使用系统中的高精度电涡流微位移传感器对润滑膜厚度进行精密测量。采用比例-积分-微分(PID)...
  • 在本文中,我们提出了一种视觉引导的机器人球束平衡控制系统,该系统由机器人操纵器(致动器),球束系统(工厂)和机器视觉系统(反馈组成。 机器视觉系统以每秒50帧的速度反馈实时光束角和球位置数据。 根据反馈...
  • 研究一类由任意有限多个线性子系统组成的切换系统的H∞ 状态反馈控制问题.利用Lyapunov函数方法,给出由线性矩阵不等式(LMI)表示的控制器存在的充分条件, 并设计了相应的子控制器和切换策略. 最后给出一个数值仿真...
  • 提出了一种基于内容自适应的Web QoS反馈控制系统。首先分析Web QoS的组成及主要保证方法,并研究了队列控制当中的反馈控制机制,实现任务数量的稳定;然后,分析了Web内容自适应的机制与实现,提高了系统的自我调节...
  • 得到的最优控制律由解析的无时滞前馈2反馈控制部分和伴 随向量序列极限形式的时滞补偿控制部分组成. 通过截取时滞补偿序列的有限项, 得到系统的前馈2反馈次优控制 律. 仿真示例表明, 该方法对外部持续...
  • 伺服系统的结构组成和其他形式的反馈控制系统没有原则上的区别。 直流伺服反馈系统概述: 该设计主要讲述运用直流伺服反馈控制系统控制六轴机器手臂运动,该直流伺服反馈系统电路使用新唐M451单片机作为主控制芯片,...
  • 得到的最优控制律由解析的线性前馈- 反馈项和伴随向量序列极限形式的非线性补偿项组成. 通过截取非线性 补偿序列的有限项, 可得到前馈—反馈次优控制律. 仿真结果表明, 该方法抑制外部持续扰动的鲁棒性优于...
  • 1、前馈控制属于开环控制,反馈控制属于负反馈的闭环控制 一般定值控制系统是按照测量值与给定值比较得到的偏差进行调节,属于闭环负反馈...2、前馈控制系统中测量干扰量,反馈控制系统中测量被控变量 在单纯的前馈控

    1、前馈控制属于开环控制,反馈控制属于负反馈的闭环控制

    • 一般定值控制系统是按照测量值与给定值比较得到的偏差进行调节,属于闭环负反馈调节。其特点是在被控变量出现偏差后才进行调节;如果干扰已经发生而没有产生偏差,调节器不会进行工作。因此反馈控制方式的调节作用落后于干扰作用。
    • 前馈调节是按照干扰作用来进行调节的。前馈控制将干扰测量出来并直接引入调节装置,对于干扰的克服比反馈控制及时。

    现在以换热器控制方案举例,直观阐述前馈控制和反馈控制:
    在这里插入图片描述
    2、前馈控制系统中测量干扰量,反馈控制系统中测量被控变量

    在单纯的前馈控制系统中,不测量被控变量,而单纯的反馈控制系统中不测量干扰量。

    3、前馈控制需要专用调节器,反馈控制一般采用通用PID调节器

    反馈调节符合PID调节规律,常用通用PID调节器、DCS等或PLC控制系统实现。前馈调节使用的调节器是是根据被控对象的特点来确定调节规律的前馈调节器。

    4、前馈控制只能克服所测量的干扰,反馈控制则可克服所有干扰

    前馈控制系统中若干扰量不可测量,前馈就不可能加以克服。而反馈控制系统中,任何干扰,只要它影响到被控变量,都能在一定程度上加以克服。

    5、前馈控制理论上可以无差,反馈控制必定有差。

    反馈调节使系统达到动态稳定,让被调参数稳定在给定值附近动态变化,却不能使被调参数稳定在给定值上不动。前馈调节在理论上可以实现无差调节。

    6、前馈控制的局限性

    A、在生产应用中各种环节的特性是随负荷变化的,对象动态特性形式多样性难以精确测量,容易造成过补偿或欠补偿。为了补偿前馈调节的不准确,通常将前馈和反馈控制系统结合起来组成前馈反馈控制系统。

    B、工业对象存在多个扰动,若均设置前馈控制器,那设备投资高,工作量大。
    C、很多前馈补偿结果在现有技术条件下没有检测手段。

    D、前馈控制受到前馈控制模型精度限制。

    E、前馈控制算法,往往做近似处理。

    前馈控制选用原则

    1、系统中存在频率高、幅度大、可测量而不可控的扰动时,可选用前馈控制。
    2、当控制系统控制通道滞后时间长、反馈控制又不能获得良好效果时,可选用前馈控制。
    3、选用前馈控制要符合经济性原则。
    4、在决定前馈控制方案后,如静态前馈能满足工艺要求,则不选用动态前馈。

    前馈-反馈控制系统优点

    1、从前馈控制角度看,由于增加了反馈控制,降低了对前馈控制模型精度的要求,并能对没有测量的干扰信号的扰动进行校正。
    2、从反馈控制角度看,前馈控制作用对主要干扰及时进行粗调,大大减少反馈控制的负担

    前馈-反馈控制应用举例

    现在以两种换热器控制方案举例,直观阐述前馈-反馈控制:

    1、换热器前馈反馈控制控制方案1
    在这里插入图片描述
    2、换热器前馈反馈控制控制方案2
    在这里插入图片描述
    转载地址:http://yunrun.com.cn/tech/435.html

    展开全文
  • 前馈—串级控制系统是工业生产中很常见的一种系统,它将前馈控制和反馈控制结合起来,组成前馈—反馈复合控制系统。这样既发挥了前馈控制即使克服主要干扰被控参数影响的优点,又保持了反馈控制能抑制各种干扰的优势...
  • 研究一类由任意有限多个时滞奇异子系统组成的切换系统的状态反馈H∞控制问题。利用Lyapunov函数方法和凸组合技术,给出由矩阵不等式表示的控制器存在的充分条件,并设计了相应的子控制器和切换规则。采用变量替代...
  • 研究了一类由任意多个子系统组成的线性切换奇异系统的状态反馈H∞控制问题。采用共同Lyapunov函数方法和凸组合技术,给出由矩阵不等式表示的使闭环系统渐近稳定且满足H∞性能的控制器存在的充分条件, 并设计了相应的...
  •  本专题将从零开始,带着各位读者,理一理无人机控制系统的那些事。  控制的本质是对信号的操纵,即在理解信号特性的基础上,对其进行一定的改造,使其达到人为设定的目标。这个目标可能是某种特定的数值,也可能...

    前言

     有人说控制是一门玄学,有时候,通过修改一个参数就能大幅提高控制性能,有时候又死活调不出理想的效果;也有人说控制是一门艺术,它的实现机理充斥着数学之美。它是一门将理论与工程完美结合的学科。

     本专题将从零开始,带着各位读者,理一理无人机控制系统的那些事。

    控制的本质是对信号的操纵,即在理解信号特性的基础上,对其进行一定的改造,使其达到人为设定的目标。这个目标可能是某种特定的数值,也可能是一定的数值范围或是一组约束条件等等。

     这是我认为的广义上的控制。事实上,控制应该归属于信号处理领域的一个分支。控制领域对于系统的分析方法,大多数也可以用信号处理理论来解释。

    闭环系统与开环系统

    何为反馈?

     在讨论开环与闭环系统之前,我们先来看看反馈的概念——将系统的输出信号返回至输入端,并以某种形式改变输入,它们之间存在因果关系的回路即为反馈回路,从输出返回至输入的信号即为反馈信号

     这样描述可能有一点抽象,下面以简图来表示:

     任意系统与外界交互的表现均可用上述图来简化,以电机为例,输入即输入信号,如转速指令;输出即输出信号,如实际转速;反馈即反馈信号,这里为实际转速的采样信号。

     上图中的系统组成了最简单的反馈系统,而反馈又分为负反馈正反馈

    负反馈使输出起到与输入相反的作用,使系统输出与系统目标的误差减小,系统趋于稳定;正反馈使输出起到与输入相似的作用,使系统偏差不断增大,使系统振荡。

     很显然,我们希望被控对象的输出逐渐趋近于我们的设定目标,即误差逐渐缩小,而不是发散,因此,控制领域研究的反馈主要指的是负反馈

    闭环与开环系统的区别

     回过头来说说闭环与开环系统。

     开环系统即输入信号不受输出信号影响的系统,也可以简单的理解成没有反馈的系统,如下图所示。

     开环系统的输入信号直接影响系统的输出,不与输出信号的反馈组成因果回路,是最容易理解的控制系统。

     反之,很容易理解,拥有反馈环节的系统即为闭环系统。

    闭环与开环系统的优劣势及应用

     开环系统的结构简单,通常用于被控对象扰动模型已知且可补偿的情况,或对控制系统的控制精度要求不高时使用。

     在工程上,开环系统的性价比较高。它不需要复杂的反馈环节,这意味着不需要采用昂贵的传感器对输出信号进行测量,只需要确定输入输出信号的数学关系、确定扰动因素的补偿关系即可。

     实际工程中,开环系统往往需要准确测量或估算扰动量(这里的扰动既包括系统工作时受到的外界干扰,如摩擦力;也包括系统内部的扰动,如系统未建模动态),对其进行前馈补偿,这样才能得到较高的控制精度与抗扰性能,而不至于外界扰动变化就使得系统发散(这里的系统包含执行器与被控对象,控制器的输出信号即为系统的输入信号,为避免引起歧义,这里特做说明,下文不再赘述)。

     开环控制系统最经典的应用如Bang-Bang控制算法以及部分简单的温控系统。

     闭环系统则相对复杂,换句话说,相对而言,它没有开环系统那么“经济”。首先,闭环系统相对开环系统多了反馈环节,我们需要采用传感器对输出信号进行测量,然后才能形成反馈回路。

     其次,闭环系统需要在系统输入之前增加控制器部分。它根据系统的目标指令与反馈信号,根据预先设定的控制律,计算出一组使得目标与反馈信号误差逐渐缩小的输入信号,对系统进行闭环控制。最经典的PID控制算法即是下图的控制结构。

     仅仅采用反馈控制器对系统进行闭环控制,能够在理想情况下达到预期的控制性能。然而,这样的控制结构忽略了扰动对于系统的影响,控制系统的抗扰性能无法保证,工程师们往往通过不断调整参数来使控制系统的性能与抗扰性取得一个折中值。

     显然,这不是一个最优的控制结构。由此,工程师们又想出了另一种优化的控制结构。

     这种控制结构在经典的开环控制系统基础上,将开环控制器替换为反馈控制器,如此,既能保证控制系统的控制精度,又能兼顾控制系统的抗扰性。

     这种控制结构最经典的应用即ADRC(自抗扰控制算法)。然而,扰动观测器的设计是十分有难度的。对于工况复杂的对象而言(如无人机),设计一个全局最优的扰动观测器是一个非常有难度的课题。

    复杂的业务指标如何兼顾?

     实际工程中,我们往往会接到各种各样的控制指标需求。对于单一的业务指标而言,我们可以很容易对其进行数学描述。

     这里还是以电机为例,假如我们想要让电机工作在某一个转速,那么他的目标指令就是转速指令,这是非常容易理解且易于工程实现的。

     那么,如果我们想要让电机工作在某一转速的前提下,工作温度不超过50摄氏度,且工作电流不大于20安培呢?这样的目标指令该如何描述?控制器该如何设计?

     这其实是一个比较现实且复杂的控制问题,它的目标指令并不是由单一的指标组成,而是一组目标指令的集合,且很可能涉及到多个反馈回路。

     对于这一类问题,学者们又提出另一种控制结构。

     对于复杂的业务目标,我们首先需要对其进行分解,根据被控对象的系统模型将其分解为可被解析表达的数学形式,这些表达式可能是等式约束(如上文提到的工作在某一转速),也可能是不等式约束(如上文提到的工作温度不超过50摄氏度,工作电流不超过20安培

     其次,我们需要针对这些约束条件以及系统模型,设计对应的优化算法(常见的如线性规划、二次规划等)。通过优化算法得到一系列全局最优的系统输入,再次根据系统模型计算出对应的模型输出。

     最后,将模型输出(即控制器的目标指令)输入反馈控制器进行闭环控制。

     这种控制结构层次分明,对于复杂的业务指标,优化算法可以根据用户对于不同指标的倾向性(通常在不同约束条件之前施加一定的权值),结合系统模型,计算出全局最优的目标指令。

     那么,在得到一系列目标指令后,每一层级的控制器(如转速有转速控制回路,温度有温度控制回路,电流有电流控制回路)只需要关心如何达到各自的目标指令即可。

     很多现代控制算法均采用类似的控制结构,如自适应控制,LQR(线性二次型控制)等等。

     这种控制结构实质上是一种控制控制器的控制结构(听起来有点拗口),它需要对被控对象的模型有准确的建模。

    总结

     本篇围绕反馈、闭环与开环系统展开,从感性的角度介绍了它们与控制之间的联系。对于无人机控制系统而言,大多数控制结构逃不出上述的范围,至于如何针对不同的状态设计对应控制器是实际的工程问题,也是一门艺术。

     下一篇将从数学角度来详解控制系统及其常用数值分析方法与技巧。


    作者简介: 一个被Coding耽误的无人机算法工程师,控制、导航略懂一二,热衷技术,喜欢乒乓、音乐、电影,欢迎交流。

    知乎: @遥远的乌托邦

    GitHub: https://github.com/DistantUtopia

    微信公众号: @遥远的乌托邦

    在这里插入图片描述

    展开全文
  • 使用matlab/simulink实现直接转矩控制三相异步电动机,并且在不同的给定,负载下进行仿真设计。

    设计目的:

    使用matlab/simulink实现直接转矩控制三相异步电动机

    使用平台:

    matlab2018b/simulink9.2

    设计思路:

    1、明确直接转矩控制的原理,
    2、分模块搭建直接转矩控制系统框图,并编写相应的S-Function函数
    3、仿真调试,完成不同负载,不同给定下的仿真设计

    直接转矩控制(DTC)原理

    在这里插入图片描述DTC控制原理:根据定子磁链幅值和转矩幅值偏差的正负符号。以及当前定子磁链所在的位置,直接选取合适的电压空间矢量,减小定子磁链幅值的偏差和转矩幅值的偏差,实现电磁转矩与定子磁链的控制。

    模块化分析

    由上述的DTC系统原理框图可以得到DTC系统由以下几个系统共同组成:
    1 主电路系统
    2 U 3s/2s、I 3s/2s——电压电流静止三相到静止两相变换系统
    3 psi s——定子磁链的计算系统
    4 Te——转矩计算系统
    5 ApsiR——定子磁链控制系统
    6 ASR——转速控制系统
    7 ATR——转矩控制系统
    8 switch_U——空间电压矢量的选择系统

    下面我们来逐个分析下面的模块的构建:
    1主电路系统:其包括直流电源DC,IGBT逆变桥,三相电源测量电路,电机,负载、转速测量装置。
    在这里插入图片描述

    2 U 3s/2s、I3s/2s——电压电流静止三相到静止两相变换系统:用于将当前主电路的三相静止电压电流转化为两相静止电压电流,使用教科书生3s/2s的变换公式即可得到Is alpha、Is beta、Us alpha、Us beta
    在这里插入图片描述在这里插入图片描述

    3 psi s——定子磁链的计算系统:需要根据电压模型计算定子磁链在静止两相坐标系上的两个分量psi s alpha 和psi s beta。
    在这里插入图片描述

    4Te——转矩计算系统:通过在教科书上静止两相坐标系中电磁转矩的表达式来得到相应的电磁转矩Te。
    在这里插入图片描述

    5 ApsiR——定子磁链控制系统,与定子磁链设定值相比较,计算出定子磁链偏差值der psi s。另外还需要计算当前定子磁链所在的位置,因为没有现有的模型,因此通过S-Function来计算当前定子磁链的位置fai。
    在这里插入图片描述

    6 ASR——转速控制系统:通过转速设定值与当前转速反馈值相比较得到的偏差送到PI调节器中来进行调节输出相应的Te*。
    在这里插入图片描述
    7 ATR——转矩控制系统:通过从Te——转矩计算系统中计算得到的当前转矩值Te与转矩设定值Te*相比较再经过滞环控制器来得到转矩的偏差值der Te。
    在这里插入图片描述
    8 switch_U——空间电压矢量的选择系统:由上述几个模块计算出的定子磁链偏差der psi s,转矩偏差der Te ,以及当前定子磁链所在的位置作为输入,经过自行编写的一个S-Function——switch_U来计算6个电压空间矢量的选择,并且输入到IGBT逆变桥的控制端。
    在这里插入图片描述

    此时,已经实现直接转矩全部模块的搭建,电机选择4KW 400V 50Hz 1430RPM
    当设定转速为1000RPM,负载为5,则得到磁链图和速度变化图如下:
    在这里插入图片描述

    在这里插入图片描述
    以上就是全部的直接转矩控制三相异步电动机的simulink设计,工程文件详见:

    直接转矩控制三相异步电动机simulink实现,实现平台为matlab2018b/simulink,包括两个S-Function函数psi_to_fai.m、switch_U.m,一个·仿真文件DTC.mdl
    地址:https://download.csdn.net/download/weixin_43058070/11245384

    展开全文
  • 基于BP神经网络PID控制+Simulink仿真

    万次阅读 多人点赞 2019-05-30 10:58:30
    最近在学习电机的智能控制,上周学习了基于单神经元的PID控制,这周研究基于BP神经网络的PID控制。...基于BP神经网络的PID控制系统结构框图如下图所示: 控制器由两部分组成:经典增量式PID控制器;BP神经网络 ...

        最近在学习电机的智能控制,上周学习了基于单神经元的PID控制,这周研究基于BP神经网络的PID控制。

        神经网络具有任意非线性表达能力,可以通过对系统性能的学习来实现具有最佳组合的PID控制。利用BP神经网络可以建立参数Kp,Ki,Kd自整定的PID控制器。基于BP神经网络的PID控制系统结构框图如下图所示:

        控制器由两部分组成:经典增量式PID控制器;BP神经网络

        经典增量式PID控制器

        

        BP神经网络控制算法

        BP神经网络结构如下图所示:

        它是一种有隐含层的3层前馈网络,包括输入层、隐含层和输出层。输出层的三个输出分别对应PID控制器的三个可调参数Kp、Ki和Kd。由于Kp、Ki和Kd不能为负,所以输出层神经元的变换函数取非负的Sigmoid函数,而隐含层神经元的变换函数可取正负对称的Sigmoid函数。

        BP神经网络的输入(M为输入变量的个数):

        隐含层的输入输出为:

        输出层的输入输出:

         采用以输出误差二次方为性能指标,其性能指标函数为:

        按照梯度下降法修正网络的加权系数,并附加一使搜索快速收敛全局极小的惯性项,则有BP神经网络输出层的加权系数修正公式为:

        同理,可得隐含层加权系数的计算公式为:

        由此,BP神经网络PID控制算法可总结为:

        (1)确定BP神经网络结构,即确定输入层和隐含层的节点个数,选取各层加权系数的初值wij(0)、wli(0),选定学习速率和惯性系数,此时k=1

        (2)采样给定和反馈信号,即r(k)和y(k),计算误差e(k)=r(k)-y(k)

        (3)确定输入量

        (4)根据上述公式,计算各层神经元的输入、输出,神经网络输出层即为PID控制器的三个可调参数Kp、Ki和Kd

        (5)由增量式PID控制公式,计算PID控制器的控制输出u(k)

        (6)进行神经网络学习,实时自动调整输出层和隐含层的加权系数wli(k)和wij(k),实现PID控制参数的自适应调整

        (7)置k=k+1,返回步骤(2)

        Matlab Simulink仿真建模

        输入为阶跃信号,其参数为默认值,一个简单的闭环控制系统。BP神经网络PID控制器的内部结构如下图所示:

        S-function的输入为:u=[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1);隐含层+输出层权值系数(k-2);隐含层+输出层权值系数(k-1)]=

    [u(1);u(2);u(3);u(4);u(5);u(6);u(7);...u(隐含层权值个数+输出层权值个数)],把所有的权值系数从输出再返回到输入是为了更新权值矩阵,从而自适应的调整PID三个参数。关于S-function的使用方法,请参考我写的另一篇博客:           https://blog.csdn.net/weixin_42650162/article/details/90488610

        S-function函数

        下面是S-function函数编写的控制算法:

        为了更好的理解下面的程序代码,先要理解Matlab中的几个函数

        通过(:)把一个矩阵变为一个列向量

        通过reshape函数,从列向量里任意组成矩阵如c=reshape(b,3,8),b中元素按顺序排成一个3*8的矩阵,也就是还原了矩阵a,

        c=reshape(b(10:24),3,5),b中第10个元素到第24个元素,按顺序排成一个3*5的矩阵。

        在我编写的S-function函数中,就是通过reshape函数,把输入的隐含层+输出层的列权值系数还原成:隐含层权值系数矩阵+输出层权值系数矩阵,通过算法完成这两个权值系数矩阵的更新。

        下面是M文件编写的S-function控制算法:

    function [sys,x0,str,ts,simStateCompliance] = nnbp(t,x,u,flag,T,nh,xite,alfa)
    switch flag,
      case 0,
        [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh);
    %初始化函数
      case 3,
        sys=mdlOutputs(t,x,u,nh,xite,alfa);
    %输出函数
      case {1,2,4,9},
        sys=[];
      otherwise
        DAStudio.error('Simulink:blocks:unhandledFlag', num2str(flag));
    end
    function [sys,x0,str,ts,simStateCompliance]=mdlInitializeSizes(T,nh)
    %调用初始画函数,两个外部输入参数 参数T确定采样时间,参数nh确定隐含层层数
    sizes = simsizes;
    sizes.NumContStates  = 0;
    sizes.NumDiscStates  = 0;
    sizes.NumOutputs     = 4+6*nh;
    %定义输出变量,包括控制变量u,三个PID参数:Kp,Ki,Kd,隐含层+输出层所有加权系数
    sizes.NumInputs      = 7+12*nh;
    %定义输入变量,包括前7个参数[e(k);e(k-1);e(k-2);y(k);y(k-1);r(k);u(k-1)]
    %隐含层+输出层权值系数(k-2),隐含层+输出层权值系数(k-1)
    sizes.DirFeedthrough = 1;
    sizes.NumSampleTimes = 1; 
    sys = simsizes(sizes);
    x0  = [];
    str = [];
    ts  = [T 0];
    simStateCompliance = 'UnknownSimState';
    function sys=mdlOutputs(t,x,u,nh,xite,alfa)
    %调用输出函数
    wi_2 = reshape(u(8:7+3*nh),nh,3);
    %隐含层(k-2)权值系数矩阵,维数nh*3
    wo_2 = reshape(u(8+3*nh:7+6*nh),3,nh);
    %输出层(k-2)权值系数矩阵,维数3*nh
    wi_1 = reshape(u(8+6*nh:7+9*nh),nh,3);
    %隐含层(k-1)权值系数矩阵,维数nh*3
    wo_1 = reshape(u(8+9*nh:7+12*nh),3,nh);
    %输出层(k-1)权值系数矩阵,维数3*nh
    xi = [u(6),u(4),u(1)];
    %神经网络的输入xi=[u(6),u(4),u(1)]=[r(k),y(k),e(k)]
    xx = [u(1)-u(2);u(1);u(1)+u(3)-2*u(2)];
    %xx=[u(1)-u(2);u(1);u(1)+u(3)-2*u(2)]=[e(k)-e(k-1);e(k);e(k)+e(k-2)-2*e(k-1)]
    I = xi*wi_1';
    %计算隐含层的输入,I=神经网络的输入*隐含层权值系数矩阵的转置wi_1',结果为:
    %I=[net0(k),net1(k)...netnh(k)]为1*nh矩阵
    Oh = exp(I)./(exp(I)+exp(-I));
    %激活函数,可更改
    %计算隐含层的输出,(exp(I)-exp(-I))./(exp(I)+exp(-I))为隐含层的激活函数Sigmoid
    %Oh=[o0(k),o1(k)...onh(k)],为1*nh的矩阵
    O = wo_1*Oh';
    %计算输出层的输入,维数3*1
    K = 2./(exp(O)+exp(-O)).^2;
    %激活函数,可更改
    %计算输出层的输出K=[Kp,Ki,Kd],维数为1*3
    %exp(Oh)./(exp(Oh)+exp(-Oh))为输出层的激活函数Sigmoid
    uu = u(7)+K'*xx;
    %根据增量式PID控制算法计算控制变量u(k)
    dyu = sign((u(4)-u(5))/(uu-u(7)+0.0000001));
    %计算输出层加权系数修正公式的sgn
    %sign((y(k)-y(k-1))/(u(k)-u(k-1)+0.0000001)近似代表偏导
    dK = 2./(exp(K)+exp(-K)).^2;
    %激活函数,可更改
    delta3 = u(1)*dyu*xx.*dK;
    wo = wo_1+xite*delta3*Oh+alfa*(wo_1-wo_2);
    %输出层加权系数矩阵的修正
    dOh = 2./(exp(Oh)+exp(-Oh)).^2;
    %激活函数,可更改
    wi = wi_1+xite*(dOh.*(delta3'*wo))'*xi+alfa*(wi_1-wi_2);
    %隐含层加权系数修正
    sys = [uu;K(:);wi(:);wo(:)];
    %输出层输出sys=[uu;K(:);wi(:);wo(:)]=
    %[uu;Kp;Ki;Kd;隐含层+输出层所有权值系数]
    %K(:),wi(:),wo(:),把这三个矩阵按顺序排为列向量

        本函数有四个外部输入变量:T,nh,xite,alfa T输入采样时间,nh确定隐含层层数,xite和alfa权值系数修正公式里的学习速率和惯性系数。

        为了更好地分配S-function的输出,需要对Demux进行如下设置:

        确保前三个输出变量为:控制变量u,Kp,Ki,Kd,剩下的变量为隐含层权值系数矩阵+输出层权值系数矩阵总数之和。

        然后对此S-function函数进行封装:

    具体过程可以参考我的另一篇博客:

        https://blog.csdn.net/weixin_42650162/article/details/90488610

        

        完成后点击S-function函数,会弹出外部参数设置框,设置参数如下:

        注:T采样时间要和设置的控制算法的采样时间一样,不然会报错,如下:

        下面是仿真结果:

        Kp、Ki、Kd的自适应变化曲线:

        Kp:

        Ki:

        Kd:

        有关仿真的所有资源已上传,如有需要可自行下载:

        https://download.csdn.net/download/weixin_42650162/11216367

    展开全文
  • 作为电子设备和系统中的一种自动调节电路,反馈控制电路主要作用就是当电子系统受到某种扰动情况下,系统能通过自身反馈控制电路的调节作用,对系统某些参数加以修正,从而使系统各项指标仍然达到预定精度。反馈控制...
  • 针对被动力伺服系统的多余力矩问题,提出一种基于反步控制的全状态反馈控制方法,并利用Lyapun0V函数的稳定性定理保证了设计控制器的稳定性。与以往解决加载多余力矩时不同,该控制器不仅使用加载系统各状态量,而且...
  • Java知识体系最强总结(2021版)

    万次阅读 多人点赞 2019-12-18 10:09:56
    自动化测试与部署 第三方支持 分布式协调服务Zookeeper 程序员的一些思考 团队与项目管理 需求调研 项目管理 代码管理 文档管理 测试 Python 运维 操作系统 CentOS8 推荐书籍 读书笔记 云计算 搜索引擎 权限管理 ...
  • 伺服系统(servomechanism)指经由闭环控制方式达到对一个机械系统的位置、速度和加速度的控制。一个伺服系统的构成包括被控对象、执行器和控制器。伺服系统既可以是开环控制方式,也可以是闭环控制方式。本文按后者...
  • 无刷直流电动机利用电子开关线路和位置传感器来代替有刷直流电机电刷和换向器,使其同时具有直流电动机和交流电动机的优良特性。无刷直流电机(驱动系统)主要由电动机本体、位置传感器、电子开关线路三部分组成
  • 研究一类由任意有限多个线性子系统组成的切换系统的H。状态反馈控制问题。利用Lyapunov函数方法,给出由线性矩阵不等式(LMI)表示的控制器存在的充分条件,并设计了相应的子控制器和切换策略。最后给出一个数值仿真...
  • 清楚转速、电流双闭环直流调速系统的构成,电流内环、转速外环;转速调节器ASR的输出电压是电流环的给定,ASR的输出限幅决定了的最大电流值;电流调节器ACR的输出电压是控制电压,ACR的输出限幅电压限制了电力电子...
  • PID反馈控制-笔记

    千次阅读 2018-05-14 17:52:12
    测量关键的是被控变量的实际值,与期望值相比较,用这个偏差来纠正系统的响应,执行调节控制。在工程实际中,应用最为广泛的调节器控制规律为比例、积分、微分控制,简称PID控制,又称PID调节。PID控制器(比例-积分...
  • 在ZigBee传感网技术的基础上提出了一种新型的室内智能照明控制系统,系统主要由若干约半个手掌大小的集成了ZigBee协议栈的网络节点组成。部分节点负责统计进入房间内人员的个数、判断人员在房间内的位置以及当前室内...
  • 反馈系统的稳定性

    千次阅读 2018-12-22 22:33:13
    反馈控制系统中常见的一种模型,在电路领域,由于放大器和控制器十分相似,因此在放大电路中也常用到反馈。作为一种经典的模型,反馈能够带来很多好处,比如展宽带宽,降低输出阻抗等。但与此同时,它也会带来一些...
  • 研究了LED照明智能控制系统的基本组成以及工作原理,并详细介绍了其中感光反馈控制环节的传感器,之后研究了LED照明智能控制系统在3个典型照明场合的应用特点,对LED照明智能控制系统的研发设计具有重要意义。
  • 基于粒子群算法的复合非线性反馈控制器设计,高杨,兰维瑶,本文研究复合非线性反馈控制(CNF)中参数调节问题。复合非线性反控制由线性反馈控制部分和非线性反馈控制两个部分组成。非线性和
  • 1、通过实验熟悉单回路反馈控制系统组成和工作原理。 2、研究系统分别用P、PI和PID调节器时的阶跃响应。 3、研究系统分别用P、PI和PID调节器时的抗扰动作用。 4、定性地分析P、PI和PID调节器的参数变化对系统性能...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 71,779
精华内容 28,711
关键字:

反馈控制系统的组成